Исследователи проанализировали эффективность использования больших языковых моделей для автоматического перевода устаревшего кода на COBOL в современный Java. Эксперимент показал, что ИИ способен успешно выполнять структурную миграцию бизнес-логики, однако процесс сопровождается появлением специфических программных ошибок, требующих обязательной верификации и ручного исправления кода для обеспечения корректной работы систем в промышленной эксплуатации.
Перенос критически важных банковских и корпоративных систем с COBOL является одной из самых сложных задач в IT из-за нехватки специалистов и высокой стоимости поддержки легаси-инфраструктуры. Использование LLM позволяет значительно ускорить первичный этап трансляции кода, сокращая время на ручное переписывание алгоритмов. Тем не менее, модели часто допускают логические неточности при работе с типами данных и специфическими библиотеками, что делает невозможным полную автоматизацию процесса без участия инженеров.
Результаты работы подчеркивают необходимость создания гибридных пайплайнов, где ИИ берет на себя рутинную часть рефакторинга, а автоматизированные инструменты тестирования и статического анализа проверяют результат на соответствие исходным бизнес-требованиям. Это исследование дает понимание текущих ограничений генеративного ИИ в задачах глубокой модернизации программного обеспечения.
Ключевые факты
- Исследование сфокусировано на автоматизированном переводе легаси-кода COBOL на объектно-ориентированный язык Java.
- Выявлено, что модели успешно справляются с синтаксической трансформацией, но допускают критические ошибки в бизнес-логике.
- Авторы подчеркивают, что текущие результаты требуют обязательного этапа верификации кода для предотвращения багов в продакшене.
- Работа демонстрирует потенциал LLM как вспомогательного инструмента для ускорения миграции, а не как полноценной замены разработчикам.